Vienetai
1. Dirbtinis intelektas ekonometrijoje ir statistikoje: vaidmenys, ribos, autentifikavimas ir privatumas 2. Duomenų valymas ir paruošimas: trūksta duomenų, nukrypimai ir kodavimas 3. Tiriamoji duomenų analizė ir vizualizacija: grafikų sudarymas ir interpretavimas naudojant dirbtinį intelektą 4. Tiesinė regresija: modelio kūrimas, koeficientų interpretacija ir prielaidos 5. Regresinė diagnostika ir pažeidimai: kolineariškumas, heteroscedastiškumas, autokoreliacija 6. Hipotezių tikrinimas ir p reikšmė: reikšmė, galia ir keli palyginimai 7. p-hacking, HARKing ir statistinis vientisumas: spąstai dirbtinio intelekto amžiuje 8. Laiko eilučių analizė: stacionarumas, ARIMA ir prognozavimas 9. Priežastinis ryšys ir politikos analizė: DiD, IV, RDD ir dirbtinis intelektas 10. Kodo generavimas ir atkuriamumas: R/Python, versijų kūrimas ir atkuriamumas 11. Ataskaitų rašymas, komunikacija ir etika: rezultatų pateikimas ir ribų perdavimas
Vienetas 9 / 11

Priežastinis ryšys ir politikos analizė: DiD, IV, RDD ir dirbtinis intelektas

Pelnas:

  • Suprasti skirtumą tarp koreliacijos ir priežastingumo ir tokių projektų logikos kaip skirtumas tarp skirtumų (DiD), instrumentinis kintamasis (IV), regresijos nenuoseklumas (RDD), naudojant dirbtinį intelektą
  • Sugebėti matyti apibrėžiančią prielaidą, kuria grindžiamas kiekvienas dizainas (lygiagrečios tendencijos, išskyrimo apribojimai, nenutrūkstamumo tęstinumas) ir AI vaidmenį kuriant bandymo / gynybos kodą
  • Gebėjimas kritiškai įvertinti dirbtinio intelekto interpretacijų atpažinimo ir identifikavimo strategiją, kuri iš stebėjimo duomenų sukelia pernelyg didelių priežastinių teiginių.
Buvęs Kitas